英伟达 AVO 在 ARC-AGI-3 上拿到满分 —— 但只在公开评测集上

英伟达的 AVO 智能体系统在 ARC-AGI-3 的公开部分上拿到满分 —— 这是前沿 AI 领域被引用最多的交互式推理基准 —— 但这个成绩带着该公司自己承认的一条限定：分数覆盖的是 25 个游戏的公开评测集，不是决定奖项资格的半私有集或私有竞赛集。同一周，黄仁勋利用英伟达 2027 财年第二季度财报电话会（该公司报出 962 亿美元收入，同比增长 106%），把 AVO 摆成智能体 AI 已经到来的证据。而这些数字所显示的东西，同时比标题更令人印象深刻、也比标题更有限。

AVO 如何把一个 30% 的模型变成 100% 的系统

AVO 是 Agentic Variation Operators 的缩写，是由英伟达研究团队开发的通用自主智能体架构。底层模型是 Claude Opus 5 —— ARC Prize 另行报告称，它作为独立系统在高推理强度下于 ARC-AGI-3 上得分约 30%。AVO 的智能体系统**没有改动模型的任何一个权重**，却在全部 25 个公开集环境、共 183 关上产出了 100.00 的 RHAE 分数。

造成这一跃的机制不是更好的模型，而是关于「模型如何接收上下文、如何跨时间保持状态」的两项架构决定。

第一项是持久记忆。标准的模型交互被上下文窗口所限：会话结束或窗口填满时，先前的结果就丢了，智能体必须从零重建自己的理解。AVO 的记忆层把先前的实现、评测结果、编译器输出、性能剖析轨迹和累积的推理一路带下去，让智能体从上次停下的地方继续，而不是重启。在「失败往往意味着重复同样无效步骤」的长时程任务里，这个区别是决定性的。

第二项是监督组件。AVO 不让主智能体在无人监督下无限运行，而是并行跑一个监督器，监视整条搜索轨迹。当监督器检测到停滞 —— 反复循环却不向解收敛 —— 它会把主智能体导向其他策略。据AVO 研究论文，在一次为期七天、于英伟达 DGX B200 硬件上进行的自主 GPU 内核优化实验中，这套「监督器 + 记忆」的循环在 500 多个优化方向和 40 个已提交的内核版本上维持了有效工作，最终产出的注意力内核在该公司自行开展的测试中，于那些系统上比 cuDNN 快最多 3.5%、比 FlashAttention-4 快最多 10.5%。

在 ARC-AGI-3 里，智能体拿到的每个环境是一张 64×64 的文本网格 —— 没有图像、没有规则说明、没有给定目标 —— 必须通过交互推断机制。该基准的 RHAE 指标把任务完成度与相对人类基线的动作效率结合起来，使暴力穷举代价高昂。AVO 用 6624 次环境动作完成了 183 关；采用类似直接交互方式但后端不同的 VISTA 系统，在同为 Claude Opus 5 的情况下完成同样 183 关用了 7542 次动作。英伟达明确指出这不是一次受控消融实验 —— 两套系统在记忆架构、观察表示和上下文管理上都不相同。

改变这个分数含义的那行小字

ARC-AGI-3 不是单一的评测面。它分三层：公开集、半私有集，以及私有竞赛集。公开集对任何智能体开放评测，ARC Prize 明确把它描述为开发与校准资源，而非竞赛成绩。半私有集和私有集则被专门扣留，正是为了防止过拟合、确保分数反映的是真正的泛化而不是对公开集的记忆。

AVO 的成绩只覆盖公开集。英伟达的文章附了一条编者按 —— 首发之后补加的 —— 澄清的正是这个区别。ARC Prize 已发布的方法学也说了同样的话：公开集是为迭代测试和智能体开发设计的，不用来判定基准或奖项排名。在公开评测上拿 100%，是对长时程智能体能力的一次有意义的展示，但它不是决定竞赛结果的那把尺子。

这是六周内第三次这样的公开集满分。围绕显式程序化世界模型构建的 Tycho 系统在 7 月底达到 100%。VISTA 系统在 8 月 5 日拿到同样分数。三者用的是不同的智能体架构。三者的底层模型都是 Claude Opus 5 —— 或者在 VISTA 的多模型配置里，是 Claude Opus 5 与 GPT-5.6 Sol 并用。三者都没有公布在半私有集或私有竞赛集上的结果。

这个模式本身就说明问题。ARC-AGI-3 的公开集看起来已经越过了一道门槛：多套设计良好的智能体系统都能解开它 —— 而在几个月前，仅有模型的基线还做不到。这些系统中是否有任何一个能泛化到那些被扣留的竞赛集（那些集合正是为了抵御智能体系统所能积累的那种公开集暴露而设计的），仍是悬着的经验问题。

延伸阅读：卡住智能体 AI 的瓶颈不是能力，而是验证

当智能体脚手架的得分超过模型本身，功劳算谁的

AVO 的结果让一个在智能体 AI 研究圈里越积越大的问题变得尖锐：如果同一个前沿模型因周边架构不同而产出天差地别的分数，那么一个基准分到底测的是什么？

标准答案是：分数测的是整个系统，不只是模型。这个说法准确，但在商业上意味深长。发布权重或 API 的模型开发方，控制不了这些权重被怎样包装。当 AVO 用 Claude Opus 5 拿到 100% 时，Anthropic 获得底层能力的归因，而部署这份能力的系统是英伟达建的。这个基准同时验证了两家公司的价值主张 —— 而模型和智能体架构，单独哪一个都不够。

英伟达在这个动力学里的位置结构上很特殊：它的硬件跑着这些智能体系统，它的研究团队建了其中之一，而它 2027 财年第二季度的财报 —— 962 亿美元收入、其中 890 亿来自数据中心客户 —— 反映的正是「智能体负载将需要远超此前 AI 世代的算力」这个基础设施赌注。黄仁勋在财报会上对 AGI 的表述刻意简短且不下定义。他那句「AI 已经到达拐点。它在做有用的工作。它的 token 是有生产力、有利润的。现在，算力就是收入」，与英伟达一贯的姿态一致：卖基础设施，不去押哪家实验室的模型会赢，并把每一个基准都当作「智能体 AI 是真实的、有用的、且吃算力的」这一判断的佐证。

接下来是什么：Astra、Anthropic 的 EAP，以及那个递归循环

英伟达 AVO 这个结果的更大背景，是一片正在明显移动的前沿模型版图。OpenAI 的 Astra —— 内部定位为 GPT-6、被 The Information 描述为面向长时运行的并行智能体任务而设计的模型家族 —— 截至本文写作时仍处于后期内部测试，此前因该系统触发了 OpenAI《准备度框架》中「关键级」网络安全评测而在 8 月初推迟。OpenAI 未确认发布日期。在 8 月底发布的一次播客访谈中，CEO 山姆·奥特曼把过去几个月形容为公司异常艰难的一段时期，并表示让 Astra 广泛可用仍是近期第一优先。

在 Anthropic 那边，两个以食物命名的早期访问模型字符串 ——claude-marshmallow-eap和claude-melon-eap—— 于 8 月 24 日出现在开发者工具中，沿袭了该公司此前几次发布前的惯例。社区评测显示 marshmallow 在多数任务上优于 melon，而两者的整体能力都低于 Fable 5，不过这些结果都不构成受控的独立基准。Anthropic 对这两个代号未作任何官方说明。

延伸阅读：Anthropic 放出两个神秘的 Claude 早期访问版，OpenAI 的 Astra 又冒出一个检查点

两家公司都在被密切注视的 IPO 时间表下推进这些发布。路透社报道称 OpenAI 正在为一次可能给公司估值最高 1 万亿美元的公开发行铺路，CFO Sarah Friar 曾告诉一些同事公司瞄准 2027 年上市，也有顾问预计最早可能在 2026 年年底；OpenAI 当时表示 IPO 不是它的重心，且尚未定下日期。Anthropic 自己的 IPO 准备则在一条平行轨道上推进。

把 AVO、Astra 和这场模型竞赛连起来的更深机制，是黄仁勋和奥特曼各自都表述过的一件事：能够加速 AI 研究本身的智能体。英伟达的 AVO 架构最初正是拿 GPU 内核优化来验证的 —— 那项任务要求在七天内无人干预地自主检查、生成假说、在硬件上实测并修订。如果同一个循环适用于模型训练和架构搜索，那么每一代都可能比上一代开发得更快。作为近期主张，这仍是推测。但 AVO 的内核结果 —— 有硬件依据、对 cuDNN 和 FlashAttention-4 有可测量的改进 —— 是目前最接近「这个循环不只是理论」的现有演示。

ARC-AGI-3 的公开集如今已在六周内被三套不同的智能体系统解开三次，核心全是前沿模型。做到这一点的智能体有一个共同结构：它们把学到的东西留存下来、它们能认出自己卡住了、它们会换路。这个结构能否迁移到那些被扣留的私有竞赛集 —— 那些集合正是为抵御这种累积暴露而设计的 —— 是 ARC Prize 最终会回答的问题。就目前而言：分数是真的，那行小字很重要，而真正在干活的架构是智能体系统，不是模型本身。